metabolomics

# 代谢组学工作流 ## 概述 PyOpenMS 为非靶向代谢组学分析提供了专业工具，包括针对小分子优化的特征检测、加合物分组、化合物鉴定以及与代谢组学数据库的集成。 ## 非靶向代谢组学流程 ### 完整工作流 python import pyopenms as ms def metabolomics_pipeline(input_files, output_dir): """ 完整的非靶向代谢组学工作流。 参数: input_files: mzML 文件路径列表（每个样本一个） output_dir: 输出文件目录 """ # 第 1 步: 峰拾取与特征检测 feature_maps = [] for mzml_file in input_files: print(f"正在处理 {mzml_file}...") # 加载数据 exp = ms.MSExperiment() ms.MzMLFile().load(mzml_file, exp) # 如果需要，进行峰拾取 if not exp.getSpectrum(0).isSorted(): picker = ms.PeakPickerHiRes() exp_picked = ms.MSExperiment() picker.pickExperiment(exp, exp_picked) exp = exp_picked # 特征检测 ff = ms.FeatureFinder() params = ff.getParameters("centroided") # 代谢组学特定参数 params.setValue("mass_trace:mz_tolerance", 5.0) # ppm，代谢物容差更小 params.setValue("mass_trace:min_spectra", 5) params.setValue("isotopic_pattern:charge_low", 1) params.setValue("isotopic_pattern:charge_high", 2) # 大多为单电荷 features = ms.FeatureMap() ff.run("centroided", exp, features, params, ms.FeatureMap()) features.setPrimaryMSRunPath([mzml_file.encode()]) feature_maps.append(features) print(f" 检测到 {features.size()} 个特征") # 第 2 步: 加合物检测与分组 print("正在检测加合物...") adduct_grouped_maps = [] adduct_detector = ms.MetaboliteAdductDecharger() params = adduct_detector.getParameters() params.setValue("potential_adducts", "[M+H]+,[M+Na]+,[M+K]+,[M+NH4]+,[M-H]-,[M+Cl]-") params.setValue("charge_min", 1) params.setValue("charge_max", 1) adduct_detector.setParameters(params) for fm in feature_maps: fm_out = ms.FeatureMap() adduct_detector.compute(fm, fm_out, ms.ConsensusMap()) adduct_grouped_maps.append(fm_out) # 第 3 步: RT 对齐 print("正在对齐保留时间...") aligner = ms.MapAlignmentAlgorithmPoseClustering() params = aligne